ADVANCED ANALYTICS NEL CREDIT SCORING - L'EVOLUZIONE DEI MODELLI PER LA MISURAZIONE DEL RISCHIO DI CONTROPARTE - PWC
←
→
Trascrizione del contenuto della pagina
Se il tuo browser non visualizza correttamente la pagina, ti preghiamo di leggere il contenuto della pagina quaggiù
Advanced Analytics
nel Credit Scoring
L’evoluzione dei modelli per la misurazione
del rischio di controparte
www.pwc.com/itLe applicazioni di sistemi basati su Intelligenza Artificiale
si stanno ampliando e anche per i Financial Services si
concretizzano opportunità per l’utilizzo di approcci basati
su Machine Learning
$15,7Tln
Si stima che, su scala mondiale, il
contributo all’economia globale
derivante dall’applicazione di
Intelligenza Artificiale si attesti intorno
ai $ 15,7 Tln entro il 20301
55%
Gli incrementi di produttività da lavoro
rappresenteranno oltre il 55% del
contributo dell’Intelligenza Artificiale
sull’aumento del GDP al 20301
58%
L’adozione delle nuove tecnologie e il
conseguente aumento della domanda
dei consumatori nei confronti di prodotti
evoluti contribuirà per il 58%
sull’aumento del GDP al 20301
…e nel mondo Financial Services
Segmentazione della
clientela a fini commerciali
Reputazionale
Opportunità di
Misurazione Focus per
utilizzo Machine Credito Credit Risk
dei rischi
Learning Management
Operativo
Intercettazione frodi in fase
di onboarding
1. Fonte: PwC Sizing the prize - What’s the real value of AI for your business and how can you capitalise? 2Con specifico riferimento al Risk Management,
concepiamo un percorso di innovazione fondato
su tre principali driver
Dati
Nuove basi dati possono ampliare il
patrimonio informativo dei modelli di Credit
Scoring basati su algoritmi Machine Learning.
«All data is credit data»
Il perimetro di valutazione della clientela si
amplia, è tuttavia necessario considerare
implicazioni di carattere normativo e di
data quality.
Algoritmi
Gli approcci metodologici al calcolo del merito
creditizio della controparte si evolvono,
diventano dinamici, si migliorano
autonomamente nel continuo e riescono a
individuare nuovi pattern di dati e relazioni fra
variabili, non esplorati da modelli tradizionali.
La predittività dei modelli migliora ma allo
stato attuale è opportuno considerare un
utilizzo parallelo ai modelli tradizionali, in
ambito esclusivamente gestionale.
Tecnologia
Evoluzioni in termini di capacità
computazionali e di storage.
Minori costi di implementazione e
performance maggiori in grado di garantire
run a elevato effort di macchina anche in
modalità real-time.
3Riteniamo siano due gli approcci che consentono alle
banche di avvicinarsi al mondo del Machine Learning nel
Credit Scoring, valutando sia l’apporto esterno da Fintech
che lo sviluppo interno
Apporto esterno da Fintech Sviluppo in-house
Intelligenza Artificiale e Machine Learning Lo sviluppo in-house di modelli di Credit
sono le principali tecnologie utilizzate dalle Scoring basati su Machine Learning vedrà il
Fintech per valutare in maniera innovativa il rilevante coinvolgimento del Risk
merito creditizio di individui e imprese. Management e della Validazione, nonché
Si vanno delineando diversi e variegati l’integrazione dei modelli nei framework di
modelli di collaborazione e integrazione tra Model Risk Management.
banche e Fintech.
Coinvolgimento Risk
Modello Descrizione Fase di sviluppo Management
La banca offre alle Fintech Model design Responsible
Interfacce di accesso limitato ad alcune delle
Identificazione
programmazione/ loro infrastrutture o servizi tramite Responsible
delle basi dati
sandbox Open API, consentendo costruire
e testare nuovi prodotti e servizi Raccolta delle
Consulted
basi dati
Fintech joint La banca crea la propria start-up
venture/ indipendente per indirizzare una Trasformazione Informed
venture builder specifica nicchia di mercato delle basi dati responsabilità Area IT
Partizione dataset Responsible
Le Fintech presentano
applicazioni alle banche che ne Applicazione
Responsible
selezionano alcune per degli algoritmi
Start-up corporate identificare e capitalizzare le
Applicazione Consulted
accelerator innovazioni più promettenti. Le
Fintech selezionate ottengono
human judgement responsabilità Area Crediti
accesso a competenze, supporto Specificazione
e base clienti Accountable
finale modello
Attraverso fusioni e acquisizioni le
banche acquistano delle Fintech
Merger &
per garantirsi l'accesso a nuove
acquisition
innovazioni o accelerare
transizioni strategiche
La banca seleziona un prodotto
specifico sviluppato da una
Fintech e avvia un POC per
testarne la validità (white-label o
Sourcing di
co-branded). In caso di esito
prodotti Fintech
positivo, la banca lo porta in
produzione, testando nuove
proposte e prodotti riducendo
tempi e costi di sviluppo
4Contatti Pietro Penza Romina Vignotto Partner Partner +39 348 2740422 +39 346 0220090 pietro.penza@pwc.com romina.vignotto@pwc.com Cinzia Amandonico Gianluca Dall‘Arche Director Director +39 335 7414119 +39 344 3474117 cinzia.amandonico@pwc.com gianluca.dallarche@pwc.com Carlo Bandera Senior Manager +39 348 8505011 carlo.bandera@pwc.com www.pwc.com/it © 2019 PricewaterhouseCoopers Advisory SpA. All rights reserved. PwC refers to PricewaterhouseCoopers Advisory SpA and may sometimes refer to the PwC network. Each member firm is a separate legal entity. Please see www.pwc.com/structure for further details. This content is for general information purposes only, and should not be used as a substitute for consultation with professional advisors.
Puoi anche leggere
